IMPLEMENTASI HYBRID FILTERING DENGAN PENGGABUNGAN COLLABORATIVE FILTERING DAN CONTENT-BASED FILTERING PADA SISTEM REKOMENDASI RESTAURANT DI YOGYAKARTA

Ananda, Muhammad Fawwaz (2024) IMPLEMENTASI HYBRID FILTERING DENGAN PENGGABUNGAN COLLABORATIVE FILTERING DAN CONTENT-BASED FILTERING PADA SISTEM REKOMENDASI RESTAURANT DI YOGYAKARTA. Other thesis, UPN "Veteran" Yogyakarta.

	Text Fawas_final YUDIS OKTOBER FIX BANGET .pdf Restricted to Repository staff only Download (4MB)
	Text COVER.pdf Download (171kB)
	Text ABSTRAK.pdf Download (140kB)
	Text Lembar Pengesahan.pdf Download (212kB)
	Text DAFTAR ISI.pdf Download (212kB)
	Text DAFTAR PUSTAKA.pdf Download (140kB)

Abstract

Dengan banyaknya sumber informasi mengenai restaurant tersebut, hal itu akan
membantu masyarakat untuk mendapatkan informasi mengenai suatu restaurant. Namun
dengan banyaknya informasi yang tersedia, masyarakat sering kali merasa bingung dalam
memilih restaurant yang akan dikunjungi dan sering dibutuhkan waktu yang lama, sehingga
itu bukanlah suatu hal yang efektif. Oleh karena itu, sistem rekomendasi restaurant dapat
menjadi suatu solusi yang tepat bagi setiap orang dengan memberikan berbagai macam
pilihan restaurant yang terbaik untuk dikunjungi. Metode yang umum digunakan dalam
sistem rekomendasi adalah content-based filtering dan collaborative filtering. Namun kedua
metode tersebut memiliki kekurangan jika diterapkan secara individual, dan akurasinya tidak
terlalu tinggi. Sistem rekomendasi menggunakan metode collaborative filtering memiliki
kekurangan yaitu tidak bisa mengatasi cold start problem, apabila data interaksi user dengan
item tidak lengkap maka akan mempengaruhi hasil prediksi rating yang juga mempengaruhi
hasil rekomendasi, dan hal ini sering terjadi terutama terhadap user baru atau item baru yang
memiliki sedikit interaksi atau bahkan belum memiliki interaksi sama sekali. Sedangkan
metode content-based filtering tidak memerlukan parameter rating yang bergantung pada
user untuk mendapatkan rekomendasi, namun karena rekomendasi bergantung pada teks
yang dimiliki suatu item maka hasil rekomendasi menjadi kurang beragam.
Kedua permasalahan pada metode tersebut dapat diatasi dengan menggunakan metode
hybrid filtering. Hybrid merupakan metode yang menggabungkan dua atau beberapa metode
sekaligus dalam pembuatan sistem rekomendasi yang dapat mengatasi kelemahan masing- masing metode.
Pada penelitian ini metode hybrid dilakukan dengan secara cascade dan
switching, user baru akan mendapatkan rekomendasi gabungan dari popularity-based dan
content-based filtering, jika user lama maka akan mendapatkan rekomendasi dengan
gabungan collaborative filtering dan content-based filtering.
Pengujian model pada penelitian ini menggunakan Mean Absolute Error untuk menguji
model collaborative filtering dengan untuk mengetahui seberapa besar kesalahan yang
dilakukan model tersebut dalam memprediksi rating. Semakin kecil nilai MAE yang
diperolah maka menunjukkan model yang lebih baik. Nilai MAE terbaik pada penelitian ini
didapatkan parameter k dengan nilai 9 yaitu sebesar 0,6947. Pengujian model juga dilakukan
dengan Intra-List Similarity, hasil ILS dari model collaborative filtering dengan jumlah
rekomendasi sebanyak 10 menghasilkan nilai ILS terbaik dengan rata-rata sebesar 0,1898
yang membuktikan bahwa rekomendasi yang dihasilkan model collaborative filtering lebih
beragam dibandingkan model content-based filtering. Dengan menggabungkan
collaborative filtering dengan content-based filtering maka hasil rekomendasi akan menjadi
lebih beragam. Pengujian terakhir dilakukan dengan precision dan recall untuk menguji
metode hybrid. Pengujian precision dengan nilai rata-rata 71.89% menunjukkan bahwa
sistem secara konsisten memberikan rekomendasi yang relevan, sementara nilai rata-rata
recall sebesar 80.34% menunjukkan bahwa sistem mampu menangkap sebagian besar item
relevan.
Kata kunci: Restaurant, sistem rekomendasi, hybrid, cold start problem, overspecialization

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Restaurant, sistem rekomendasi, hybrid, cold start problem, overspecialization
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	14 Nov 2024 01:50
Last Modified:	14 Nov 2024 01:51
URI:	http://eprints.upnyk.ac.id/id/eprint/41644

Actions (login required)

View Item